“开放性平台创造了比封闭式平台高1000倍的价值。只要我们能够通过开源社区把这个饼做大，即使捕获这个价值的1%，也可能比独占未开放产品100%份额的价值更大。”          

“我们的转型取得了巨大的成功，但在当时其实是一项相当大胆的决策。过去并没有太多开源社区成功转型为商业公司的案例。这个过程也并非一帆风顺。比如，去年年终的时候GPT-3出来了，这个模型特别火，但OpenAI也在那个时候就决定不开源了，这对开源社区来说实际上是一个非常大的打击。”          

“什么是潮流？什么是酷的？这实际上是被时代定义的。如果有一天通过ChatGPT写程序、搞一些AI应用变成了一个很酷的事情，那我觉得AI行业的发展就没问题了。这是我比较浪漫主义的想法。”Hugging Face工程师王铁震说。          

Hugging Face，AI开源社区的当红炸子鸡，被称为AI界的GitHub。成立于2016 年，近一年来估值翻了一翻，飙升至45亿美元，谷歌、亚马逊、英伟达、英特尔、Salesforce等科技巨头纷纷参与投资。          

Hugging Face的Transformers库是最快超100k的GitHub项目；迄今为止社区成员总共分享了超过  423k 个模型公开模型和超过84k 个公开数据集；有超过5万家组织使用Hugging Face；它不仅开发了Transformers库（目前最受欢迎的大语言模型库），也提供了各种构建、部署和训练机器学习模型的工具和资源……              

今天，Hugging Face工程师王铁震老师做客混沌，带来课程《开源世界观：如何用技术浪漫主义实现AI普惠》。为你揭开Hugging Face的神秘面纱，带你了解开源世界观与落地实践。          

以下为课程笔记：（篇幅所限，文章内容仅为部分课程内容，请前往混沌APP看完整课程）          

授课老师｜王铁震 Hugging Face工程师          
编辑｜混沌商业研究团队          
支持｜混沌前沿课

Hugging Face是谁？
 

大家可能经常在媒体上看到，最近又有一个有趣的东西在Hugging Face上发布了，但又不太了解我们。

实际上Hugging Face是一个AI开源社区，可以把它理解为AI届的GitHub。Hugging Face现在的估值达到了45亿美元，上面有超过100万个AI模型和数据集、展示。迄今为止，使用过Hugging Face的组织超过5万家，迄今为止社区成员总共分享了超过  423k 个模型公开模型和超过84k 个公开数据集。除此之外，Hugging Face还提供大模型领域生态底层的一些开源资料库，比如Transformers，这也是GitHub上最快达成star数量10万里程碑的开源项目之一。          

自2016年起Hugging Face就开始启动了，最早它是一款面向青少年有趣好玩的聊天机器人应用软件。我们当时做的还不错，成功进行了B轮融资。随着Transformer结构的出现，我们也积极拥抱新技术。在2018年，我们参加了NeurIPS dialog competition这个竞赛，拿了第一名。随后我们做了一件很不一样的事，那就是将这个Transformers模型开源了。它大受欢迎，越来越多的模型被大家集成在了这个库里。红线是这个Transform库的增长曲线，大家可以看到它增长得非常快。          

然后我们就遇到一个问题，到底是继续做原先的聊天机器人，还是要做开源？尽管聊天机器人做得不错，但我们的几个创始人心里有个更大的图景，就是促进人类高效合作。所以我们决定进行转型，放弃聊天机器人，转而致力于建立AI开源社区。          

开源社区在我们看来，是非常有价值的。          

首先开放性平台创造了比封闭式平台高1000倍的价值。只要我们能够通过开源社区把这个饼做大，即使捕获这个价值的1%，也可能比独占未开放产品100%份额的价值更大。          

做一个开源社区，其实也给我们很多信息上的优势。如果你闷头做自己的产品，可能就忘记了外面的世界发生了什么。作为创业者，其实最重要的是要积极地去听取开源社会的开源信息，跟大家做更多的交流。不是说现在就去想一个十年之后的计划，可能我们一年之前都没有想到ChatGPT和生成式AI会有这么火。做开源社区，收集到更多声音，一起去推动行业的前进，其实是更有价值的。          

另外，开源的透明也会带来好处。很多程序员并不希望自己的作品被用于AI训练，开源数据集可以让创作者清楚地了解数据的使用情况。通过查看网站，他们可以知悉是否有人在使用其代码进行训练，并提出声明要求移除代码，开源赋予了其在互联网上被遗忘的权利。          

如今看来这个转型的决定取得了巨大的成功，但在当时其实是一项相当大胆的决策，因为过去并没有太多开源社区成功转型为商业公司的案例。这个过程也并非一帆风顺。              

比如，去年年终的时候GPT-3出来了，这个模型特别火，但OpenAI也在那个时候就决定不开源了，这对开源社区来说实际上是一个非常大的打击。所以我们也与几位合作伙伴共同推动了BigScience项目，我们发布了BLOOM这个最早在100B以上、支持多语言的开源模型。在商业授权方面，BLOOM几乎没有任何限制。它不仅授人以鱼，更是授人以渔。我们走过的所有弯路、积累的所有经验都公开到开源社区之中，为后来者提供了一个示范。          

篇幅所限，本文内容仅为课程十分之一点击海报，看完整课程！          

开源社区的商业模式与组织机制
 

1）Hugging Face创造了哪些有意思的活动与产品          

Hugging Face是一个从社区中成长出来的公司，社区既是我们最重要的积淀，也是我们最大的壁垒。那我们社区的底色是什么呢？实际上不是赚钱，是Have fun，大家都是因为兴趣加入进来的。          

你可能没有Machine Learning的学位，也没读过这个领域的书籍或论文，但技术发展至今，实际上并没有把这一领域的门槛拉高，反而将门槛降低了。我有个朋友对我所从事的事业一无所知，觉得大模型玄而又玄，但我给他分享了一个开源库之后，他只需点点鼠标就可以创建出他想要的图文。一个月之后，他已经成为那个领域的专家了，虽然他不会写代码，但是他会画图，也知道自己想要的图是什么样子的。我有给他付工资吗？没有。他在上面有获得什么实际的利益吗？也没有，但这个东西好玩，它满足了他从小以来一直都有的画家梦想。          

我还向一个媒体朋友科普了开源社区，他在了解并使用之后告诉我，他现在感觉一天二十四小时根本不够用，每天都有太多事情在开源社区发生。开源实际上将大家从不明真相的吃瓜群众变成了事件的参与者，因为所有的代码和讨论都是公开的，任何人都可以溯源了解事情的始末，与KOL进行互动，甚至以这种方式自己逐渐成为KOL。          

我相信很少有公司员工下班之后还愿意查看内部沟通软件，但我们公司的员工每天刷公司的Slack刷得停不下来，就把它当成Instagram或者小红书来刷，甚至觉得时间不够用。为什么呢？因为做开源，能够把他的兴趣和工作结合在一起。如果你让我去做别的事情，我可能个人兴趣也是天天去看AI界发生了什么，现在还有人付钱让我去看AI界发生了什么，我觉得非常开心。          

所以这就是Have Fun。无论是对社区的使用者，还是于社区本身而言，Have Fun都是一件极其重要的事情，乐趣和工作同时存在。          

   正是由于大家在工作中能获得乐趣，每个人都投入了很多精力，公司的生态系统也生长得非常迅速。我们去年是以Transformer为基础的几个库，到今年已经形成了一个完善的生态系统。基于Transformer结构的大模型库，Diffusers是图文生成领域的基础库，解决模型安全问题的库Safetensors等等，都已经成为整个社区非常重要的基础库。          

除了自己玩得开心，我们也举办了很多活动希望吸引更多人参与其中。比如在谷歌的支持下，我们获得了免费的TPUV3资源，让大家发挥自己的创意进行模型训练。我们还在国内开办了一个Diffusion model class分享扩散模型的内容，还把课程内容翻译成了中文出版成书。          

2）Hugging Face的组织架构          

我们的组织中绝大多数成员是工程师，超过90%。与国内的一些社区不同，我们没有专职运营人员，每个工程师都参与运营。因为我们的根基就是社区，大家都是从社区中成长起来的，也非常懂社区运作之道，知道大家是怎么从小白成为社区的贡献者，再成为社区的创造者。我记得刚进公司的时候，有一个开发者写了三行代码，本来只是随手做了一些事情，结果收到了许多祝贺，让他感到非常开心，那一瞬间甚至以为自己得了诺奖。这种开源心态让大家觉得，来开源社区不仅是一件有趣的事，而且能够找到家的感觉。              

3）开源社区的合作与决策机制          

我们公司采用分布式的工作和决策模式，是非常有意思的。在工作方式上，所有员工都是远程办公，不需要去办公室，因此我们会通过邮件和Slack进行异步沟通。并且很多沟通并不是在公司系统内部完成的，而是在公开的渠道，比如GitHub上进行。          

另外一点也非常重要，我们的决策也是分布式的。我刚进公司的时候，因为之前在大公司待了很多年，觉得要先师出有名，先让老板批准，于是我写了六页的一个计划书，说我要做一个什么东西。老板看了之后说，你写得非常好，下次不要写了。只要跟我说你做了什么，有很多事情你可以自己决定，你不需要等我。              

这也是为什么我们几个人就可以做非常多的活动，第一我们不开会，第二个我们每个人都可以做决定。很多事情老板都鼓励大家自行决定，无需进行大型的会议讨论或是等待来自总部的批准。在这里工作，你会有很强的参与感，而不会觉得自己只是大公司一枚不起眼的螺丝钉。另外，我们公司内部没有明确的部门间的界限，每个人都可以提出自己的想法，大家一起商量并通过合作加以实现。          

我们是一个不到二百多人的小公司，等我们有一万人的时候，我相信也不会是这样的治理方式，当然这是另外一个问题，要不要成长到有有一万人的公司？也可能我们觉得小而美挺好的。          

我们现在的公司内部其实并没有像OKR这样的内部治理模式，目前还处于一个比较有趣的阶段，员工的薪水可能相对较低，但由于公司自由度较高，鼓励大家不断进行探索，所以员工更愿意留在这里发挥主观能动性。在招聘方面，我们公司其实比较严格，入职者大多是在开源社区有一定影响力的人。我们并不是以传统的算法作为筛选人才的标准，而是对候选人在行业的号召力和过去的数字足迹进行考察，这样就确保了新进人员的价值观与公司一致，并且在很大程度上能够在公司内产生积极影响。    国内公司传统的发展模式是大公司垄断所有人才，内部事务对外不透明。相比之下，开源社区的模式更适合小公司，公司内部的事务高度透明，大家可以通过参与开源项目与CEO直接对话。企业间的合作也变得更加简单直接，无需签署各种繁琐的协议，在开源社区提出合作想法即可。很多公司可能也想要追求类似我们公司的发展模式，但我们也是在天时地利人和的条件之下才实现了这一点。我猜测，这种更透明、更易于互相连接的企业模式可能是未来发展的一个明确方向，而这也是得益于开源领域的不断发展。          

4）Hugging Face作为开源社区，如何在商业上盈利？          

第一，咨询服务，提供咨询服务是开源项目最常见的盈利模式。企业在使用我们的开源库时，遇到问题会自然而然地想要咨询我们。我们在Slack上与用户交流，解答问题，提供较为简单的咨询服务。          

第二，硬件服务，我们通过HPP（Hardware Partner Program）提供硬件服务。芯片公司希望将他们的芯片销售出去，但由于云服务商主要支持NVIDIA GPU，其他厂商的产品在软件上很难适配。我们与硬件厂商合作，将下层的NVIDIA GPU接口替换为其他厂商的接口，就用户的使用而言并没有任何差别，只需要支持Transformer就可以，从而使得硬件厂商更易销售他们的产品。              

第三，SaaS服务，比如AutoTrain，就是一个无代码的模型训练服务。用户只需上传模型并提供训练需求，剩下的工作AutoTrain会自行完成。训练完成后，用户通过Inference endpoints将模型部署在Hugging Face上之后就可以直接调用它进行工作。          

5）如何做一个开源社区          

第一，如果要做一个开源的项目，最好第一天就要想着走向世界。开源这件事很多都是在GitHub、Hugging Face这样的全球化社区完成的，要从一开始就设想这个开源项目是要服务全人类的，比如使用英文进行项目配置，这样能更好地与全球的开发者进行互动。          

   第二，快速验证可行性。很多开源项目都是在公司从上到下的推动下进行的，一开始就获得了巨大的流量，但是流量并不是开源项目成功的唯一要素，做开源最重要的是不停地进行尝试，找到特定生态位上的独特价值，快速地失败，快速地总结。          

第三，积极吸取社区中的各种反馈。无论是正向意见还是负面评价，都应当积极对待。在社区中创建一种家的氛围，才能够让社区成员在不断的参与互动中共同成长。          

第四，专注于特定的任务。很多国内的公司都在追求一个无所不能、包容万象的东西，而开源世界所期待的是一个个具有特定价值的小项目，并通过堆砌多个项目实现更大的目标。          

第五，关注开发者的体验。与关注用户体验相同，开源社区的特殊性决定了其还要关注开发者在其中的体验和感受，以确保社区的活力和项目的质量。          

篇幅所限，本文内容仅为课程十分之一点击海报，看完整课程！              

范式变革：AI将如何重塑未来商业模式
 

1）大模型创业未来还有没有机会？          

第一，最重要的是信念。大家说的成本、使用场景难易度等问题，我觉得都会得到解决，就像一年前的我们绝对想不到今天的世界是这个样子。现在大家可能觉得开源还差点劲，可能明年开源模型就真的有GPT3.5、4的水平。只有拥有坚定的信念，你才会有勇气全力以赴。如果只关注眼前的不足，你可能难以下决心去行动。但等你明白这一点时，机会可能已经错过了。          

第二，选择比努力更重要。在新技术的发展方向中，也许你选择做了一个非常轻量级的应用，但是却远不如大平台它们已有的体量，就很容易被它们的推进力吃掉。2015年、2016年的时候，安卓刚刚推出来，手机这个赛道非常火。我有一个同学做了一个打开手电筒的应用，还做了一个一键关闭WIFI的应用，最高一个月可能赚了四五万美元，但是后来这些东西全部变成了系统自带的功能，瞬间他就变得很沮丧，觉得如果当时做了一点别的东西，现在可能已经有了更好地积累。          

那选择什么呢？要么是降本，要么是增效。我觉得在国内场景下增效可能比降本更重要，因为上一波AI其实做得非常成功，降本的空间微乎其微，所以这条路走不通的话，不如想象增效，有哪些事情是以前做不了的，或是有哪些事情可以做得比以前更好的。比如说之前提到的代码生成模型，有数据显示这个模型可以将工程师的工作效率提高20%到30%。我们的目标不仅是要想提高员工和企业的效率，更重要的是确保每个使用这项技术的人也能感到开心。              

第三，走向高度的定制化。在未来，我认为代码生成能力将会促使世界变为需求驱动。我需要什么样的软件，就告诉ChatGPT，让它帮忙生成一个软件，或者说让ChatGPT生成一个简单的脚本，可以满足大家具体的需求，解决各自的问题。我觉得这种特定场景下所形成的定制化信息将会越来越多。          

第四，智能的分发。工业革命解决了商品的分发问题，而信息革命带来的是信息的分发。信息分发与智能分发是有一定差别的，我们看到一本书，并不是就完全理解了书的意思。以心理咨询行业为例，那么多的教科书、那么多的课程，我们可能需要花费三五年的时间把他们全都学会，再形成智能去帮人解决心理问题，但是一旦训练了一个大模型，这个模型就可以进行心理问答，能够直接帮人回答心理上的一些咨询问题，这就可以快速地让更多的人体会到过去高阶专家才能带来的服务，并且这个价格会降得很低很低。          

2）AI Agent机会          

小时候用计算机，经常听到比尔盖茨的一个说法，他说，我希望在未来每个人的桌子上都有一台Windows。这个梦想其实已经实现了，他最近又有一个判断，他说，AI Agent会改变你使用电脑的方式。我深受启发，我觉得AI会带来一种巨大的变革。          

   在《流浪地球》中有个片段，就是说月球基地上其实有很多的工程器械，唯独缺少一个电脑主机对它们进行控制。后来他们从地球上带来了一台新的计算机550C，计算机接入网络之后首先去发现周围有哪些工具，有哪些器械，然后和这些器械建立了一个联结，并且学会了使用这些器械的方法，再去对它们进行统一调度。这其实比较像我所向往的AI的最终模式，AI Agent作为大模型的延伸，作为大模型的手和脚，大概要经历使用工具、选择工具、发现工具、创造工具四个阶段。          

非常早期的时候，我们做了一个Transformer Agent，它从用户那里拿到一个指令之后，会从我们给它提供的一些给定的工具中进行选择，再生成一段代码来调用这个工具，最后完成任务。再来看看现在的产品，以Perplity.AI为例，我同时问了它两个问题，一是Hugging Face是做什么的，二是它什么时候发布了Diffusers这个库。它就会使用工具拆解我的问题，然后从数据库里找到16条资料，最后从资料中提炼出一个最终回答。尽管我发现它给出了错误的回答，但是我可以给它一个反馈，这就是所谓的人在回路。             

3）范式变革：AI vs 互联网，商业模式的重构机会          

未来互联网盈利的范式到底是什么？在过去，像谷歌这样的搜索引擎其实是在卖广告，你搜索一个关键字，它就会给你推荐一些相关的产品。淘宝、抖音也是类似的模式。但这真的就是未来最合适的模式吗？          

现在为什么会有很多人愿意使用New Bing，或者Perplexity进行搜索，因为用它搜索更高效，如果想找一个什么东西，不需要提供很精确的关键字，它们就会给我一段需要阅读很多文章才能总结出来的答案。如果有一天它们走向广告模式，我问它一个东西，它就给我回答一个广告，那我就不会用它了，我还不如用搜索引擎。这种广告模式实际上跟生产力是反着来的。现在大家对大模型这么感兴趣，其实也是因为我们相信它可以带来更高的生产力。我认为在未来我更愿意为高生产力付费，比如有一个知道我所有偏好的Agent，可以在我想要买东西的时候，在不同的平台上找到我想要的东西，然后帮我计算好折扣模式，并且对比出不同平台上的价格。          

4）多模态的机会          

无论是Perplexity还是大模型，它们都是一个文字进文字出的单模态模型，而ChatGPT-4V最近已经可以做到看见、听见、说出。ChatGPT-4V的官方Demo讲述的就是在修车场景中，如果没有多模态模型，很难向ChatGPT描述清楚车到底有什么问题。有了多模态的理解，把图片传给它，它就可以告诉我们车哪里有问题，应该用什么工具去修。这对打开其在生活中的使用场景有很大的帮助。              

我觉得这个领域会衍生出非常多的机会，当然做一个多模态模型的成本是远远高于做一个普通大模型的，我们也希望能够有更多人参与到开源社区之中，一起推动这个领域的发展。          

多模态生成也是一个非常有意思的话题。基于Diffusers这个数据库，通过Stable Diffusion的这个模型可以生成出非常好的宇航员的照片，包括面罩的反光等都已经能够做到很好的效果。最近也看到很多视频生成、音频生成，我相信多模态生成技术有非常多的应用机会。          

有人的地方就会有江湖，有开发者的地方就会有社区。围绕着刚才所说的Stable Diffusion这种文生图的多模态生成模型，其实也慢慢就形成了一个非常有名的社区，叫CIVITAI，很多人在这上面交流自己做的文生图的模型。和小红书一样，它也是一个社交平台，只不过大家交流的不是照片或者感悟，而是进行模型的交流，智能的交流。甚至说智能分发普及之后，也许大家在社交媒体上点击一下对方，看到的并不是对方生成的内容，而会有一个活生生的人在那里等着与你进行交互。              

5）从线下到线上再回归现实          

我一开始看到AI文生图的图片时，觉得非常惊艳，但是看多了CIVITAI上这些漂亮的图片之后，就发现它们都缺少一种真实感、沉重感。这些图片并不是我想要的，我现在反而更喜欢看我五岁的宝宝画的画，因为是他用自己的理解和自己的感受在作画。          

现在大家都在讲，把这个搞成VR，那个搞成VR，好像加上VR就会变得有趣且酷，从而获得很多流量。也许在未来大家就开始说，把VR摘了吧，现实世界更有乐趣一些。          

在我小时候，有人做了一个实验，把一堆人关在房子里，一整天都不能出门，必须使用互联网完成生活的一切操作。ChatGPT刚出来的时候我也做过类似的事情，就是强迫自己过一个ChatGPT Day，在那一天我必须通过ChatGPT完成所有的事情，包括写的邮件、回复的消息。那天我其实过得很痛苦，我想有一天我会怀念今天这样完全不用生成式AI就能过得很好的日子。          

6）AI与大模型可能带来的风险          

第一，偏见。比如做文生图的时候，想生成一个科学家的图片，那么模型就会从数据库中找到与科学家相关的东西进行生成。你去看包括Stable Diffusion的模型数据，大多数与科学家相关的图片都是以白人男性科学家为主体，因此它生成的图片也大多是白人男性的形象。    

我们会发现，由于数据的局限性，大模型在很多时候都会有一些偏见。因此，通过开源的方式，可以让每个人都可以检查数据集的内容以及与自己的关系，从而对数据集进行反馈，并进一步调整生成式AI模型的输出。          

第二，幻觉。比如说问ChatGPT某个人是谁，它的回答其实会出现很多错误。为什么会出现这样的问题？如果把大模型比作人，就容易理解了。我们疲惫或者迷糊的时候，也比较容易说错话，大模型也是一样，甚至没有我们人类聪明，偶尔说错也是可以理解的。有的时候我们是希望大模型有一些幻觉的，否则它只会陈述事实，就永远无法想象一个架空的宇宙，永远不能进行小说创作。          

因此，当大家用大模型做一些产品的时候，可以考虑如何利用幻觉或避免幻觉。比如在教育领域，幻觉问题实际上是非常严重的。训练模型可能学了很多东西，但它是一个闭卷考试，所以做题过程中可能会出错。而RAG是一个开卷考试，大模型会搜索出各种相关的参考资料，找到对应的确凿的证据后再进行回答。因此，有时候幻觉可以通过RAG去避免。              

第三，数据授权。数据版权问题越来越严重，也越来越值得大家重视。比如说，在GetImage这种平台上面拿了很多照片数据进行大模型的训练，但是并没有征得原始数据创作者的同意。在未来，我们也许可以寻找一种方式让原始的数据创作者参与大模型生成图片所创造利润的分配。          

由于大模型创作存在IP风险，因此很多企业不太敢使用生成式AI去做一些事情，担心生成的东西与数据库中没有获得创作者许可的东西长得太像了，从而会有法律风险。Microsoft Copilot和Adobe在软件的使用协议中加了一段说明，说如果用户使用它们的软件生成了某种东西，并且具有法律风险的话，它们来扛这个责任。这样的做法就能避免大家在很多场景中使用生成式AI模型的顾虑。          

技术浪漫主义：开源社区的未来
 

我之前在西电读的应用物理，后来去法国的一个学校进行交换学习。在法国读书的经历对我影响蛮大的。这个法国学校实际上是一个通才培养的学校，学制三年，前两年半什么都要学，到了最后半年才开始选专业。          

   这段经历给了我一种勇气，我觉得转行做另一件事不是那么可怕了，好像什么东西我都懂一点。我也敢于迈出第一步，去尝试、去学习。五六年前我还在做通讯相关的东西，但是我觉得AI这个东西我也可以学，所以就勇敢地去尝试，试图转行。          

毕业后，我进了谷歌云工作，做的是TensorFlow这个深度学习框架。谷歌把TensorFlow开源出来了，所以我们和开源社区有非常多良好的互动。开源社区是一个神奇的地方，因为参与开源的很多人其实是不赚钱的，大家只是为了开心，为了好玩，在开源社区信息交流非常快，大家也能接触到很多志同道合的人，所以我特别喜欢开源。后来我转入到一个非开源的部门，我感觉自己好像和整个技术界脱轨了，我还想要回到开源，于是就加入Hugging Face。
         

智能分发以后，很多需要十年苦读才能学习到的技能很轻易地被ChatGPT所赋能了。比如原本写程序可能得写个三千小时才能写得非常好，现在ChatGPT一下子就把我的能力提高了，只要看得懂程序，就可以在自己需要的时候写出相应的程序。同样地，只要我有审美就可以画画，只要知道什么是好作品就可以写小说。如果机器给我生成了一个不好的作品，我就可以调换一下参数，重新生成一个。              

我们马上就会看到ChatGPT对我们工作场合的影响。有时候我们会发现我们的工作重心因为技术的转变而有所变化，能否积极地拥抱这个变化，我认为是非常重要的。          

最早大家对程序员的刻板印象就是木讷，不解风情，每天穿格子衫。后来阿里巴巴上市了，杭州房价炒高了，程序员赚得比较多，大家就开始羡慕程序员。大家羡慕的真的是程序员在做的事情吗？其实不是，人们大多只是羡慕程序员获得了世俗上的成功，但对写程序这件事的看法并没有本质变化，还是会觉得这是一件呆板的事，也会觉得程序员到35岁就要转行了，应该提早布局。          

选专业的时候，我本来想选数学，但是家里所有的亲戚长辈都跟我说，学数学有什么用，出来就是当个老师。我其实非常喜欢数学，但是还是会受到国内这种世俗观念的影响。到法国之后，我发现法国人好喜欢数学。在法国读大学前会有一个预科班，这些选择数学为专业的人都会很自豪地说这件事。法国也出了很多著名的数学家，笛卡尔、费马、帕斯卡，拉格朗日、泊松、拉普拉斯、柯西，全都是法国人。          

这些法国人这么自豪地说自己是学数学的，于是我就很好奇，他们学数学到底是为了什么？我发现他们很多人学数学是觉得好玩，喜欢头脑风暴这个过程。中国人的思考方式偏向于实用主义，在国内可能很多人觉得学数学不是那么酷，但在巴黎有一百多条街道，还有很多广场和车站是用数学家的名字命名的。              

什么是潮流？什么是酷的？这实际上是被时代定义的。如果有一天通过ChatGPT写程序、搞一些AI应用变成了一个很酷的事情，那我觉得AI行业的发展就没问题了。这是我比较浪漫主义的想法，我感觉有了生成式AI的能力之后，每个人都可以变成程序员，通过写程序让自己的生活工作更高效。前段时间参加中国开源年会的时候，我已经感觉到这样的苗头了，很多初中生、小学生已经能用生成式AI做很酷的事情了。

《流浪地球》对我启发很大。我觉得无论AI怎么发展，人始终扮演着非常重要的角色，就像之前提到的Perplexity的例子，AI给了我们一些信息，我们也会再把自己的想法反馈给它。

在《流浪地球中》，550W从一个冰冷的自感知/自适应/自组织/可重塑编译计算核心进化为了一个更高级别的人工智能生命一MOSS。MOSS说“人类的命运取决于人类的选择”。在一个人与机器共存的社会里，我们每个人都是变量。坚持开源也许是对人类未来更有意义更有帮助的方式。

如何从技术和产品角度了解大模型原理？篇幅所限，本文内容仅为课程十分之一点击海报，看完整课程！

如果你有与开源 AI、Hugging Face 相关的技术和实践分享内容，以及最新的开源 AI 项目发布，希望通过我们分享给更多 AI 从业者和开发者们，请通过下面的链接投稿与我们取得联系:
https://hf.link/tougao